[TOC]
引
我很喜欢这一篇文章，因为证明用到的知识并不难，但是却用的很巧，数学真是太牛了，这些人的嗅觉怎么这么好呢？
这篇文章，归根结底就是想说明一个问题，就是和一般的认知不同，随着神经网络的加深，参数更新的收敛速度并不会下降，感觉也有很多论文论述了深度depth的重要性.
不过，这篇文章，是在线性神经网络上做的一个分析，另外，标题中的Acceleration并没有很好的理论支撑，作者给出了几个特例和一些实验论据。我想作者肯定尝试过，但是想要证明想想就不易，至少得弄出个$O(T^?)$之类的.
虽然理论支撑不够，但是我感觉还是很厉害了.
主要内容
首先，为了排除一些干扰因素，就是Acceleration来自于俩个网络的表达能力不同，神经网络$N_1,N_2$， 如果二者的收敛速度不同，原因可能是$N_1$和$N_2$能让损失下降的程度不同. 而在线性网络中，层数增加并不会改变网络的表达能力.$L(W)$是关于$W\in \R^{k\times d}$的损失函数，这个网络的表达能力和$L(W_NW_\cdots W_1)$的表达能力是相同的，如果$W_NW_\cdots W_1\in \R^{k \times d}$.
对上面的结论，有一点点存疑，假设后者的最优为$(W_N^, W_^,\ldots,W_1^)$，那么只要让$W=W_N^ W_$即可，所以$L(W^)\le L(W_N^* W_*)$.
反过来似乎不一定，假设$N=2$, \(W_2 \in \R^{k \times 1}, W_1 \in \R^{1 \times d}\), 但是利用here的结果，只要$W_i\in \R^{d_i \times d_}$, 满足$d_i \ge \min {k, d}$且$L$关于$W$为凸函数，就能说明等价. 居然还用上了之前看过的结果.
符号可能有点多，尽可能简化点吧. $x \in \Rk$为输出，
显然$n_N=k,n_0=d$. 假设$L^N(\cdot)\(是关于\)(W_N,W_,\cdots, W_1)$的函数, 可得
不要觉得这么做多此一举，不然后面证明的时候会弄乱的.
梯度下降采用了类似momentum的感觉，但是又有点不一样:
$\eta>0$的学习率，$\lambda \ge 0$是权重的递减系数.定义
故$L1(W_e)$.
作者假设$\eta$，也就是学习率是一个小量，所以上面的式子可以从微分方程的角度去看
怎么说呢，这个所以，我的理解是$\eta$很小的时候，$W_j(t)\(很平缓，所以可以认为导数和\)\Delta t=1$的时候是一样的？
看了之前有一篇类似的Oja'rule也用了这种方法，感觉作者的意思应该是如果:
此时，
我觉得应该是这个样子的，不过对于最后的结果没有影响.
定理1
定理1 假设权重矩阵$W_1, \ldots W_N$满足微分方程:
且
则权重矩阵$W_e$的变化满足下列微分方程:
其中$[\cdot]^{\frac}$是关于半正定矩阵的一个定义，假如:
对角矩阵$D^{\frac}$是让对角线元素的$D_^{\frac}$.
所以，权重$W_e$的更新变换近似于:
Claim 1
上面的更新实际上让人看不出一个所以然来，所以作者给出了一个向量形式的更新方式，可以更加直观地展现其中地奥秘.Claim 1 对于任意矩阵$A$, 定义$vec(A)$为由矩阵$A$按列重排后的向量形式. 于是，其中$P_{W_e^{(t)}}$是一个半正定矩阵，依赖于$W_e$, 假设
其中$U = [u_1,u_2, \ldots,u_k]\in \R^{k \times k}, V=[v_1,v_2,\ldots,v_d] \in \R^{d \times d}$, $D$的对角线元素，即$W_e^{(t)}\(的奇异值从大到小为\)\sigma_1,\sigma_2,\ldots, \sigma_{\max {k, d}}$, 则$P_{W_e^{(t)}}$的特征向量和对应的特征值为:
这说明了什么呢？也就是overparameterization后的更新，$W_e^{(t+1)}$的更新，也就是$vec(W_e)$, 感觉这一点就和一些梯度下降方法的思想有点类似了，借用之前的成果. 而且，这个借用，会有一种坐标之间的互相沟通，一般的下降方法是不具备这一点的.
Claim 2
定理2
定理2 假设$\frac{\mathrmL^1}{\mathrmW}$在$W=0$处有定义，$W=0$的某个邻域内连续，那么对于给定的$N \in \N, N > 2$, 定义:那么，不存在关于$W$的一个函数，其梯度场为$F$.
定理2的意义在于，它告诉我们，overparameterization的方法是不能通过添加正则项来实现的，因为$F(W)$不存在原函数，所以诸如
的操作是不可能实现overparametrization的更新变化的.
证明思路是，构造一个封闭曲线，证明$F(W)$在其上的线积分不为0. （太帅了...)
证明
定理1的证明
首先是一些符号:
用表示块对角矩阵.
容易证明(其实费了一番功夫，但是不想写下来，因为每次都会忘，如果下次忘了，就再推一次当惩罚):
于是第$j$个等式俩边右乘$W_j^T(t)$, 第$j+1$个等式俩边左乘$W_{j+1}^T(t)$可得：俩边乘以2
令$C_j(t):=W_j(t)W_jT(t)W_j(t)$, 则
注意，我们将上面的等式改写以下，等价于
用$y(t):=(C'_{j+1}-C_j)(t)$, 则
另外有初值条件$y(t_0)=0$(这是题设的条件).容易知道，上面的微分方程的解为$y\equiv0$.所以
假设$W_j(t)$的奇异值分解为
且假设$\Sigma_j$的对角线元素，即奇异值是从大到小排列的.则可得
显然$\Sigma_{j+1}T$, 这是因为一个矩阵的特征值是固定的（如果顺序固定的话），特征向量是不一定的，因为可能有多个相同的特征值，那么对于一个特征值的子空间的任意正交基都可以作为特征向量，也就是说
其中$I_ \in \R^{d_r \times d_r}$是单位矩阵, $O_{j,r} \in \R^{d_r \times d_r}$是正交矩阵.
所以对于$j=1\ldots N-1$, 成立
$j=N$有故注意，上面的推导需要用到:
既然那么上式左端为$\dot_e(t)$, 于是
再利用（23）（24）的结论
Claim 1 的证明
Kronecker product (克罗内克积)
网上似乎都用$\otimes$, 不过这里还是遵循论文的使用规范吧， 用$\odot$来表示Kronecker product:
其中$A \in \R^{m_a \times n_a}, B \in \R^{m_b \times n_b}$.
容易证明 $A \odot B$的第$rn_b + s, r = 0, 1, \ldots, n_a-1, s = 0, 1, \ldots, n_b-1$列为:
其中$B_{*j}$表示$B$的第$j$列, 沿用$vec(A)$为$A$的列展开. 相应的，$A \odot B$的第$pm_b+q, p=0,1,\ldots,m_a-1,q=0, 1, \ldots, m_b-1$行为:
其中$A_{i*}$表示$A$的第$i$行.
用$[A\odot B]_{(p,q,r,s)}\(表示\)[A \odot B]$的第$rn_b+s$列$pm_b+q$行的元素, 则
另外$I_ \odot I_ = I_$.
下面再证明几个重要的性质:
\((A_1 \odot A_2)(B_1 \odot B_2) = (A_1 B_1) \odot (A_2B_2)\)
假设$A_1 \in \R^{m_1 \times l_1}, B_1 \in \R^{l_1 \times n_1}, A_2 \in \R^{m_2 \times l_2}, B_2 \in \R^{l_2 \times n_2}$, 则
考察俩边矩阵的$(pm_2+q,rn_2+s)$的元素，
得证. 注意，倒数第四个等式到倒数第三个用到了迹的可交换性.
\((A \odot B)^T=A^T \odot B^T\)
\(A^T=A^{-1},B^T=B^{-1} \Rightarrow (A \odot B)^T = (A \odot B)^{-1}\)
所以$(A \odot B){-1}$.
回到Claim 1 的证明上来，容易证明于是第二个等式用到了$(A_1 \odot A_2)(B_1 \odot B_2) = (A_1 B_1) \odot (A_2B_2)$.
只需要证明：
等价于$P_$. 令
其中$U \in \R^{k \times k}, V \in \R^{d \times d}$.所以
第三个等式用了俩次$(A_1 \odot A_2)(B_1 \odot B_2) = (A_1 B_1) \odot (A_2B_2)$.
定义:
则
剩下的，关于$O$的列$\Lambda$的对角元素:只是一些简单的推导罢了.
Theorem 2 的证明
这个证明我不想贴在这里，因为这个证明我只能看懂，所以想知道就直接看原文吧.
代码
虽然只是用了一个很简单的例子做实验，但是感觉，这个迭代算法很吃初始值. 就像Claim 1 所解释的那样，这个下降方法，会更倾向于之前的方向，也就是之前的错了，后面也会错？
y1设置为100， y2设置为1， lr=0.005, 会出现（也有可能是收敛不到0):
这种下降的方式是蛮恐怖的啊，但是感觉实在是不稳定. 当然，也有可能是程序写的太烂了.
"""
On the Optimization of Deep
Net works: Implicit Acceleration by
Overparameterization
"""
import numpy as np
import torch
import torch.nn as nn
from torch.optim.optimizer import Optimizer, required
class Net(nn.Module):
def __init__(self, d, k):
"""
:param k: 输出维度
:param d: 输入维度
"""
super(Net, self).__init__()
self.d = d
self.dense = nn.Sequential(
nn.Linear(d, k)
)
def forward(self, input):
x = input.view(-1, self.d)
output = self.dense(x)
return output
class Overparameter(Optimizer):
def __init__(self, params, N, lr=required, weight_decay=1.):
defaults = dict(lr=lr)
super(Overparameter, self).__init__(params, defaults)
self.N = N
self.weight_decay = weight_decay
def __setstate__(self, state):
super(Overparameter, self).__setstate__(state)
print("????")
print(state)
print("????")
def step(self, colsure=None):
def calc_part2(W, dw, N):
dw = dw.detach().numpy()
w = W.detach().numpy()
norm = np.linalg.norm(w, 2)
part2 = norm ** (2-2/N) * (
dw +
(N - 1) * (w @ dw.T) * w / (norm ** 2 + 1e-5)
)
return torch.from_numpy(part2)
p = self.param_groups[0]['params'][0]
if p.grad is None:
return 0
d_p = p.grad.data
part1 = (self.weight_decay * p.data).float()
part2 = (calc_part2(p, d_p, self.N)).float()
p.data -= self.param_groups[0]['lr'] * (part1+part2)
return 1
class L4Loss(nn.Module):
def __init__(self):
super(L4Loss, self).__init__()
def forward(self, x, y):
return torch.norm(x-y, 4)
x1 = torch.tensor([1., 0])
y1 = torch.tensor(10.)
x2 = torch.tensor([0, 1.])
y2 = torch.tensor(2.)
net = Net(2, 1)
criterion = L4Loss()
opti = Overparameter(net.parameters(), 4, lr=0.01)
loss_store = []
for epoch in range(500):
running_loss = 0.0
out1 = net(x1)
loss1 = criterion(out1, y1)
opti.zero_grad()
loss1.backward()
opti.step()
running_loss += loss1.item()
out2 = net(x2)
loss2 = criterion(out2, y2)
opti.zero_grad()
loss2.backward()
opti.step()
running_loss += loss2.item()
#print(running_loss)
loss_store.append(running_loss)
net = Net(2, 1)
criterion = nn.MSELoss()
opti = torch.optim.SGD(net.parameters(), lr=0.01)
loss_store2 = []
for epoch in range(500):
running_loss = 0.0
out1 = net(x1)
loss1 = criterion(out1, y1)
opti.zero_grad()
loss1.backward()
opti.step()
running_loss += loss1.item()
out2 = net(x2)
loss2 = criterion(out2, y2)
opti.zero_grad()
loss2.backward()
opti.step()
running_loss += loss2.item()
#print(running_loss)
loss_store2.append(running_loss)
import matplotlib.pyplot as plt
plt.plot(range(len(loss_store)), loss_store, color="red", label="Over")
plt.plot(range(len(loss_store2)), loss_store2, color="blue", label="normal")
plt.legend()
plt.show()